Hampir semua aspek kehidupan kita — pernapasan, pakaian, tempat tinggal, makanan, dll. - sangat terkait dengan vegetasi. Setiap perubahan struktur vegetasi menunjukkan dampak yang drastis baik secara lingkungan maupun ekonomi. Belakangan ini, kemajuan GIS, GPS, penginderaan jauh, dan pertanian presisi telah menjadi kunci utama untuk pengelolaan tanaman yang lebih baik. Pertanian presisi, misalnya, memungkinkan peningkatan analisis dan identifikasi serta pengelolaan variabilitas tanaman temporal dan spasial di lapangan.
Sekarang, pembahasan mengenai pertanian presisi tidak akan lengkap tanpa Indeks Vegetasi, terutama jika berbicara tentang penginderaan jauh pada jenis pertanian ini. Jadi, baca terus untuk mengetahui apa itu indeks vegetasi dan kegunaannya dalam pertanian presisi.
Apa itu Indeks Vegetasi (VI)?
Indeks Vegetasi membantu pengamatan vegetasi jarak jauh secara berkala dan telah digunakan secara aktif sejak tahun 1974. Ekspresi matematika ini adalah transformasi spektral untuk mengidentifikasi vegetasi (dalam pengertian yang lebih luas) menggunakan dua atau lebih pita spektral.
Dengan menggunakan algoritme ini, ilmuwan dan personel terkait lainnya secara efektif mengamati aktivitas fotosentris dan mengidentifikasi variasi kanopi, selain menggambar perbandingan yang akurat jika diperlukan. Ini termasuk menilai berbagai aspek, seperti pertumbuhan tanaman, kekuatan, biomassa, dan kandungan klorofil.
Cara Kerja Indeks Vegetasi:Bagaimana Mengukurnya Dari Luar Angkasa?
Pilihan indeks Vegetasi berbeda berdasarkan penerapannya tetapi semua indeks yang berbeda bekerja pada pita optik identik yang dibedakan berdasarkan warna. Kebanyakan dari mereka menggunakan reflektansi inframerah dekat untuk mengidentifikasi hubungan dengan pertumbuhan vegetasi yang sehat.
Untuk ini, para ilmuwan menggunakan teknik penginderaan jauh yang efektif. Mereka membaca atribut seperti:
- Persentase tutupan hijau
- Indeks luas daun
- Bimassa hijau
- Konten klorofil
- Radiasi aktif fotosintesis yang diserap (APAR), dll., untuk mendapatkan kesimpulan.
Dalam 20 tahun terakhir, indeks Vegetasi telah berkembang pesat, dan sekarang pemimpin Agritech, seperti Cropin , menerapkan penggunaannya di sektor pertanian secara dinamis. Dengan ini, informasi penting seperti positif dan tekanan pada sebidang tanah dapat dengan mudah ditentukan.
Pembacaan semacam itu bersifat spasial dan diambil dari apa pun yang terlihat dari luar angkasa atau dari pantulan cahaya inframerah-dekat dari permukaan ke ruang angkasa. Dengan menggunakan sensor satelit optik, dimungkinkan untuk mengukur radiasi matahari. Karena pembacaan diambil pada pita yang berbeda, sensor optik multi-spektral digunakan. Setiap saluran dalam pita ini dirancang sedemikian rupa sehingga peka terhadap rentang panjang gelombang yang sangat sempit yang diberi kode warna sebagai:
- Biru (450 nm-510 nm)
- Hijau (510 nm-580 nm)
- Merah (630 nm-690 nm)
- Inframerah-dekat (NIR) (770 nm-895 nm)
- Inframerah gelombang pendek (SWIR) (1100 nm-3000 nm)
Pita biru dan merah mencerminkan indeks vegetasi dengan nilai lebih rendah dan ketika nilainya meningkat, berubah menjadi hijau. Di sisi lain, nilai yang lebih tinggi dibaca oleh pita inframerah-dekat.
Berbagai jenis indeks vegetasi ditujukan untuk aplikasi tertentu; namun, sensor paling umum yang kami temui termasuk Advanced Very High-Resolution Radiometer (AVHRR) dan sensor Spektroradiometer Pencitraan Resolusi Sedang (MODIS ) Vegetasi 1 dan 2.
Penerapan Indeks Vegetasi dalam Pertanian Presisi
Para revolusioner AgTech menggunakan indeks vegetasi secara aktif dalam pertanian presisi. Bentuk pertanian ini bertujuan untuk menghasilkan lebih banyak output dengan input yang lebih sedikit, dan indeks vegetasi sangat penting dalam melaksanakan ini.
Penerapan VI era baru dalam pertanian presisi ini menawarkan beberapa manfaat, seperti:
- Pemantauan fisikokimia:Parameter seperti kehijauan, proksi klorofil, suhu, evapotranspirasi, dan kelembaban tanah diturunkan, yang selanjutnya dapat digunakan untuk meningkatkan pertumbuhan tanaman yang optimal.
- Data hampir real-time:Ini membantu menawarkan data plot atau wilayah yang hampir real-time untuk tetap diperbarui tentang parameter penting tanpa melakukan kunjungan fisik. Ini menghemat waktu dan upaya investigasi sebelum menerima panggilan manajemen. Menggunakan data waktu nyata ini juga membantu untuk memastikan tindakan tepat waktu dan mengambil langkah maju ke kualitas panen yang diharapkan.
- Perencanaan kegiatan pertanian:Dengan Indeks Vegetasi, waktu menabur, penyemprotan, perlindungan tanaman, irigasi, panen, dan kegiatan lainnya dapat ditentukan secara optimal. Dengan informasi seperti ini, seseorang dapat menerima panggilan tepat waktu untuk mengoptimalkan input dan penggunaan sumber daya juga.
Pemetaan VI juga dapat digunakan secara efektif untuk referensi di masa mendatang untuk menandai perubahan periodik dari waktu ke waktu.
Contoh Indeks Vegetasi
Seperti disebutkan sebelumnya, VI memiliki tipe yang berbeda (angka sebenarnya dalam ratusan). Mereka digunakan untuk memenuhi tujuan yang berbeda berdasarkan penginderaan jauh.
Mari kita lihat beberapa VI yang paling banyak digunakan di Cropin:
NDVI (Normalized Difference Vegetation Index)
NDVI di bidang pertanian mendeteksi waktu peristiwa fenologis menggunakan reflektansi merah tampak dan inframerah dekat yang ditangkap oleh sensor. Ini adalah metode yang sangat populer dan bekerja paling baik ketika vegetasi berada pada puncak biomassanya. NDVI menggunakan Landsat.
Namun, NDVI tidak bekerja dengan baik dengan fenologi musim gugur, sedangkan akurasi tertinggi dalam pengamatan terjadi ketika ada salju atau air di permukaan, yang terakhir menjadi kejadian umum di plot India.
Sumber:Phenospex
NDRE (Normalized Difference Red Edge)
NDRE dianggap sebagai versi NDVI yang lebih baik karena jauh lebih sensitif. Teknik penginderaan jauh ini sangat ideal untuk tanaman yang berada di tengah dan tahap pertumbuhan selanjutnya. Dasar dari sensor ini adalah akumulasi klorofil.
Alasannya adalah NDRE beroperasi dengan lampu tepi merah, yang melewati daun lebih baik daripada lampu merah yang digunakan di NDVI. Menggunakan Landsat 8 dan beroperasi pada pita merah dan NIR. Pembacaan membantu dalam menentukan kesehatan vegetasi.
Perhatikan bahwa ini masih belum ideal untuk tanaman pada tahap pertumbuhan awal.
Sumber:EOS
VHI (Indeks Kesehatan Vegetasi)
Di sini, pembacaan ditentukan dengan menggunakan kombinasi dari Land Temperature Surface (LST) dan NDVI. Indeks ini, bagaimanapun, mungkin tidak ideal untuk daerah non-kering. Sebaliknya, ini adalah salah satu VI terbaik yang digunakan untuk analisis kekeringan.
Sumber:FAO
LAI (Indeks Area Daun)
Indeks tanpa unit ini diukur sebagai luas daun hijau satu sisi per luas tanah dalam kasus kanopi berdaun lebar. Menimbang bahwa tanaman memiliki LAI 2 menyiratkan bahwa ia memiliki jumlah daun yang dapat menutupi area tanah yang diberikan dua kali. Data ini dapat digunakan untuk seluruh tanaman atau untuk plot untuk menentukan pertumbuhan. LAI menggunakan Sentinel 2.
Sumber:Validasi dan Karakterisasi Produk Tanah untuk mendukung misi Proba-V, S-2, dan S-3
EVI (Indeks Vegetasi yang Disempurnakan)
EVI mengukur area dengan kanopi lebat, idealnya hutan. Ini tidak ideal untuk daerah gersang dan pegunungan.
Di sini, C1 dan C2 adalah korelasi untuk mengoreksi hamburan aerosol di atmosfer, sedangkan L adalah koefisien untuk menyesuaikan tanah dan latar belakang kanopi.
Rumus ini berfungsi untuk pengamatan Landsat 8.
Sumber:CAESCG , CC BY-SA 4.0 , melalui Wikimedia Commons
GRVI (Indeks Vegetasi Rasio Hijau)
Para ilmuwan mengembangkan GRVI untuk memerangi negatif NDVI. Ini tidak hanya mengidentifikasi musim semi tetapi juga pewarnaan musim gugur. Menggunakan pita hijau dan merah, GRVI sebagian besar menggunakan Landsat. Ini berfungsi idealnya untuk mengidentifikasi waktu panen yang tepat untuk tanaman. Dengan GRVI, seseorang dapat mengharapkan pembacaan yang tepat bahkan di hadapan salju dan air.
NBR (Rasio Pembakaran Normal)
Indeks vegetasi . ini digunakan untuk mengidentifikasi tingkat keparahan luka bakar di zona kebakaran besar dengan akses jarak jauh. Secara tradisional, nilai ini diturunkan menggunakan nilai NIR dan SWIR yang diamati dari Landsat. Di Cropin, kami menggunakan indeks untuk mendeteksi kebakaran hutan dan pembakaran jerami, yang merupakan peristiwa tahunan di India utara.
Berikut rumusnya:NBR=(NIR – SWIR) / (NIR + SWIR)
Sumber:Wide World of Sport
Cropin menerapkan indeks vegetasi berdasarkan wilayah dan tanaman dalam produk AgTech yang cerdas, seperti SmartFarm dan SmartRisk , berdasarkan kebutuhan organisasi yang dipersonalisasi.
Peningkatan pesat dalam teknologi membantu pertanian melalui reformasi dalam praktik yang juga disesuaikan Cropin dengan cara terbaik untuk memenuhi tujuan merek yang diperlukan. Dengan menggunakan teknik seperti itu, hasil petak pasti akan meningkat, tetapi ini juga dapat menurunkan tekanan pada tanah, dalam jangka panjang, sehingga memenuhi tujuan pertanian berkelanjutan.
